保姆级教学,手把手教你用Python爬虫(附详细源码)

什么是爬虫?

实践来源于理论,做爬虫前肯定要先了解相关的规则和原理,要知道互联网可不是法外之地,你一顿爬虫骚操作搞不好哪天就...

保姆级教学,手把手教你用Python爬虫(附详细源码)_第1张图片

首先,咱先看下爬虫的定义:网络爬虫(又称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。一句话概括就是网上信息搬运工。

我们再来看下爬虫应该遵循的规则:robots协议是一种存放于网站根目录下的ASCII编码的文本文件,它通常告诉网络搜索引擎的漫游器(又称网络蜘蛛),此网站中的哪些内容是不应被搜索引擎的漫游器获取的,哪些是可以被漫游器获取的。一句话概括就是告诉你哪些东西能爬哪些不能爬。

了解了定义和规则,最后就是熟悉爬虫的基本原理了,很简单,作为一名灵魂画手,我画个示意图给你看下就明白了。

保姆级教学,手把手教你用Python爬虫(附详细源码)_第2张图片

(⊙o⊙)…尴尬,鼠标写字咋这么丑,都不好意思说自己学过书法,好一个脸字打得呱呱响。

项目背景

理论部分差不多讲完了,有些小朋友估计要嫌我啰嗦了,那就不废话,直接讲实操部分。本次爬虫小项目是应朋友需求,爬取中国木材价格指数网中的红木价格数据,方便撰写红木研究报告。网站长这样:

保姆级教学,手把手教你用Python爬虫(附详细源码)_第3张图片

所需字段已用红框标记,数据量粗略看了下,1751页共5万多条记录,如果你妄想复制粘贴的话,都不知道粘到猴年马月了。而python只要运行几分钟就能把所有数据保存到你的excel里,是不是很舒服?\

图片

项目实战

工具:PyCharm

Python版本:Python 3.7

浏览器:Chrome (推荐)

对于第一次写爬虫的朋友可能觉得很麻烦,咱不慌,由浅入深,先爬一页数据试试嘛。

一爬取一页

首先,我们需要简单分析下网页结构,鼠标右键点击检查,然后点击Network,刷新网页,继续点击Name列表中的第一个。我们发现此网站的请求方式为GET,请求头Headers反映用户电脑系统、浏览器版本等信息。

保姆级教学,手把手教你用Python爬虫(附详细源码)_第4张图片

接着,把爬虫所需的库都pip安装一下并导入,所有库的功能都有注释。

import csv  #用于把爬取的数据存储为csv格式,可以excel直接打开的
import time  #用于对请求加延时,爬取速度太快容易被反爬
from time import sleep #同上
import random  #用于对延时设置随机数,尽量模拟人的行为
import requests  #用于向网站发送请求
from lxml import etree    #lxml为第三方网页解析库,强大且速度快

构造请求url,添加头部信息headers即复制前文标记的User-Agent,通过requests.get方法向服务器发送请求,返回html文本。添加headers目的在于告诉服务器,你是真实的人在访问其网站。如果你不添加headers直接访服务器,会在对方服务器显示python在访问,那么,你很可能会被反爬,常见的反爬就是封你ip。

url = 'http://yz.yuzhuprice.com:8003/findPriceByName.jspx?page.curPage=1&priceName=%E7%BA%A2%E6%9C%A8%E7%B1%BB'
headers = {
    'User-Agent': "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36",
}
response = requests.get(url, headers=headers, timeout=10)
html = response.text  
print(html)

我们运行下以上代码,看下效果:

保姆级教学,手把手教你用Python爬虫(附详细源码)_第5张图片

看到这个,第一次接触爬虫的朋友可能会有点懵。

保姆级教学,手把手教你用Python爬虫(附详细源码)_第6张图片

其实这就是网页源代码,咱们右键打开下源代码看一哈。

保姆级教学,手把手教你用Python爬虫(附详细源码)_第7张图片

长这样:

保姆级教学,手把手教你用Python爬虫(附详细源码)_第8张图片

而我们需要提取的数据,就潜藏在这网页源代码中,我们要用lxml库中的etree方法解析下网页。

parse = etree.HTML(html)  #解析网页

解析完之后,就可以开开心心的提取我们所需要的数据了。方法很多,比如xpath、select、beautiful soup,还有最难的re(正则表达式)。本文爬取的数据结构较为简单,就直接用xpath玩一下吧。

我们发现,每一行数据对应源码里的一个id=173200的tr,那就先把这些tr都提取下来。

all_tr = parse.xpath('//*[@id="173200"]')

有些小伙伴不会写xpath。

保姆级教学,手把手教你用Python爬虫(附详细源码)_第9张图片

那就找个简单办法,直接copy所需的xpath。

保姆级教学,手把手教你用Python爬虫(附详细源码)_第10张图片
所有tr都提取下来了,接下来就得依次从tr里面提取具体字段了。比如提取商品名称字段,点开第一个tr,选中商品,copy其xpath。其他字段同理。

保姆级教学,手把手教你用Python爬虫(附详细源码)_第11张图片

以下要注意几点,tr={key1 : value1, key2 : value2 }是python的字典数据类型(你也可以根据自己兴趣或需要存为列表或元组类型)。''.join是指把获取到的列表转为字符串。./是指继承前面的//*[@id="173200"],strip()表示对提取的数据进行简单的格式清洗。

for tr in all_tr:
    tr = {
        'name': ''.join(tr.xpath('./td[1]/text()')).strip(),
        'price': ''.join(tr.xpath('./td[2]/text()')).strip(),
        'unit': ''.join(tr.xpath('./td[3]/text()')).strip(),
        'supermaket': ''.join(tr.xpath('./td[4]/text()')).strip(),
        'time': ''.join(tr.xpath('./td[5]/text()')).strip()
    }

咱们打印一下print(tr),看下效果。

保姆级教学,手把手教你用Python爬虫(附详细源码)_第12张图片

此时,你的心情也许是这样的:

保姆级教学,手把手教你用Python爬虫(附详细源码)_第13张图片

但还没完,数据有了,咱们还得保存csv格式到本地,这一步比较简单,直接贴代码。

    with open('wood.csv', 'a', encoding='utf_8_sig', newline='') as fp:
        # 'a'为追加模式(添加)
        # utf_8_sig格式导出csv不乱码
        fieldnames = ['name', 'price', 'unit', 'supermaket', 'time']
        writer = csv.DictWriter(fp, fieldnames)
        writer.writerow(tr)

打开下刚生成的wood.csv,长这样:

保姆级教学,手把手教你用Python爬虫(附详细源码)_第14张图片

保姆级教学,手把手教你用Python爬虫(附详细源码)_第15张图片

二爬取多页

别开心的太早,你还仅仅是爬了一页数据,人家复制粘贴都比你快。咱们的志向可不在这,在诗和远方,哦不,是秒速爬海量数据。

那么,怎么才能爬取多页数据呢?没错,for循环。

我们再回过头来分析下url:

http://yz.yuzhuprice.com:8003...

我们把里面的page.curPage改成2试试,如下:

保姆级教学,手把手教你用Python爬虫(附详细源码)_第16张图片

你也许发现玄机,只要改变page.curPage就可以实现翻页。OK,那我们直接在url前面加个循环就好啦。format(x)是一种格式化字符串的函数,可以接受不限个数的参数。

for x in range(1,3):
    url = 'http://yz.yuzhuprice.com:8003/findPriceByName.jspx?page.curPage={}&priceName=%E7%BA%A2%E6%9C%A8%E7%B1%BB'.format(x)

至此,你只要改变range想爬多少页就爬多少页,开不开心?意不意外?

三完善爬虫

如果仅仅按照以上代码爬虫,很有可能爬了十几页程序就崩了。我就多次遇到过中途报错,导致爬虫失败的情况。好不容易写出的爬虫,怎么说崩就崩呢。

保姆级教学,手把手教你用Python爬虫(附详细源码)_第17张图片

报错原因就很多了,玩爬虫的都知道,调试bug是很麻烦的,需要不断试错。这个爬虫的主要bug是TimeoutError。因此,我们需要进一步完善代码。

保姆级教学,手把手教你用Python爬虫(附详细源码)_第18张图片

首先,要将以上代码封装成函数,因为不用函数有以下缺点:

1、复杂度增大

2、组织结构不够清晰

3、可读性差

4、代码冗余

5、可扩展性差

其次,在可能出现报错的地方都加上异常处理。即try......except。

完善之后,截取部分,如下图。限于篇幅,我就不贴所有代码了,需要完整代码的小伙伴关注公众号,后台回复wood即可免费获取啦。

保姆级教学,手把手教你用Python爬虫(附详细源码)_第19张图片

结 语

自此,红木数据爬虫代码写完啦,数据爬取下来后,就可以进行可视化的分析了,比如可以看下每年不同市场红木的价格走势,同一市场不同红木的价格走势,或者还可以建立起红木的价格指数。可视化的内容后续我会重点讲解,感兴趣的朋友可以留意下哦~

当然,此爬虫也还有很大的完善空间,比如加入多线程、scrapy框架爬取速度会更快。另外,引入随机的headers和代理ip,可以很好的规避一些反爬,这些在很多相对复杂点的爬虫里是必须引入的内容。

你可能感兴趣的